Rámec pro odhad funkce ledvin pomocí zobrazování magnetickou rezonancí

Abstraktní účel: Nefrologovéempiricky předpovědělifunkce ledvinzmorfologie ledvin. Při diagnostice případu renální dysfunkce neznámého průběhu se z krevních testů a zobrazovací studie včetně magnetické rezonance (MRI) diagnostikuje akutní poškození ledvin a chronické onemocnění ledvin a stanoví se vyšetřovací/léčebná politika. Navrhuje se rámec pro odhad funkce ledvin z vodních snímků získaných pomocí Dixonovy metody, aby poskytl informace, které pomohou lékařům dosáhnout diagnózy přesným odhademfunkce ledvinna základě MRI ledvin.

KLIKNĚTE ZDE A ZÍSKEJTE PŘÍRODNÍ BIO EXTRAKT CISTANCHE S 25 % ECHINAKOSIDU A 9 % AKTEOSIDU PRO FUNKCI LEDVIN

Přístup:Navržený rámec se skládá ze čtyř kroků. Nejprve je pomocí MRI extrahována oblast ledvin pomocí Dixonovy metody s U-sítí pomocí hlubokého učení. Za druhé, extrahovaná renální oblast je registrována s cílovou maskou. Za třetí, funkce ledvin se vypočítají na základě informací o klasifikaci cílové masky vytvořené specialistou. Za čtvrté, odhadrychlost glomerulární filtrace(eGFR) představujícífunkce ledvinje odhadnuta pomocí vektoru regresní podpory z vypočítaných prvků.

Výsledek:Pro vyhodnocení přesnosti jsme experimentovali s odhademeGFRkdy byla provedena MRI aeGFRsklon, což je roční míra poklesu eGFR. Když byla přesnost vyhodnocena u 165 subjektů, bylo odhadnuto, že eGFR má střední kvadraturní chybu (RMSE) 11,99 a korelační koeficient 0,83. Navíc bylo odhadnuto, že sklon eGFR má RMSE 4,8 a korelační koeficient 0,5.

Závěry:Navržená metoda proto ukazuje možnost odhadu prognózy renálních funkcí na základě vodních snímků získaných Dixonovou metodou.

klíčová slova:kvantitativní odhadrychlost glomerulární filtrace; magnetická rezonance;ledvina.

1. Úvod

Chronické onemocnění ledvin(CKD) je definován jako přetrvávající pokles v odhadrychlost glomerulární filtrace(eGFR) až<60 mL∕ min per 1.73 m2, the presence of abnormalities suggestive of renal injuries, such as proteinuria, or both.1,2 When CKD progresses, renal replacement therapy is required. Moreover, CKD is also important as an underlying condition related toarteriosklerózaaimunodeficience, takCKDlze považovat za související s několika hlavními příčinami úmrtí.1,2 CKDje celosvětovým medicínským problémem, který postihuje 8 až 16 % populace na celém světě.3 Vzhledem k široké škále příčin CKD neexistuje žádná specifická terapeutická intervence a je nutné onemocnění včas odhalit a kontrolovat rizikové faktory poškození ledvin.

Když nefrolog léčí pacienta srenální dysfunkces neznámým klinickým průběhem se nefrolog často kromě laboratorních údajů a anamnézy odvolává na zobrazovací nálezy ledvin. K tomuto účelu jsou užitečné renální ultrasonografie, abdominopelvická rentgenová počítačová tomografie a renální magnetická rezonance (MRI). Nefrolog předpovídá potenciální renální funkce naznačenou morfologií a odráží tento potenciál v plánování léčby. MRI má zvláště dobrou rozlišovací schopnost z hlediska kontrastu měkkých tkání a při použití vhodných zobrazovacích metod je možné získat podrobné informace o vnitřní struktuře ledviny, jako je kortikomedulární hranice.4 Navíc může MRI také poskytnout údaje o fyziologických aspektech ledvin. Hodnota T2* okysličení krvezávislé na úrovni(BOLD) metoda je indexem ischemie/hypoxie, která může vést k progresi CKD, a významně koreluje s rychlostí zhoršování CKD.5,6 Hodnota zdánlivého difuzního koeficientu snímku váženého difuzí je index souvisí s renální fibrózou a významně koreluje s patologickými nálezy renální biopsie.7 Jak je popsáno výše, existují velká očekávání ohledně MRI jako neinvazivní a mnohostranné metody hodnocení ledvin, ale MRI má jednu nevýhodu, protože není k dispozici žádná metoda pro komplexní kvantifikaci obrázků.

Tradičně byly lékařské snímky měřeny metodou oblasti zájmu (ROI). V metodě ROI se vybere obdélníková nebo kruhová oblast a jako reprezentativní hodnota se použije průměrná hodnota intenzit signálu v oblasti. Problémy s touto metodou zahrnují možnost, že svévolná rozhodnutí učiněná pozorovatelem mohou zahrnovat potíže se zahrnutím informací o poloze a skutečnost, že lze měřit pouze část obrazu. Pruijm et al.5 navrhli metodu 12-vrstvy soustředných objektů (TLCO) pro analýzu renální oblasti rozdělením této oblasti do 12 vrstev. Metoda TLCO je metoda určení vnitřní a vnější části ledvinové oblasti a analýzy celé oblasti na základě 12 vrstev. Vnější (kortex) a vnitřní (medulární) oblasti ledviny mají různé struktury a funkce a metoda TLCO uvažuje zvláštní strukturu ledviny. Kromě toho bylo hlášeno, že metoda TLCO je stabilnější než metoda ROI, protože celá renální oblast je stratifikována a analyzována jednoduše specifikací vnějších a vnitřních oblastí.8 Nicméně snímky, které jsou získány klinicky, mohou být atrofovány nebo deformovány, když ledvina je poškozená a může vykazovat individuální rozdíly nebo obsahovat cysty. Jako takové není vždy možné rozdělit ledviny rovnoměrně do více vrstev, což má za následek nestabilní nálezy. Proto existuje potřeba plně automatické a stabilní metody analýzy ledvin.

Jako komplexní kvantifikační metodu pro renální snímky navrhli Kuo et al.9 metodu pro odhad eGFR v době vyšetření pomocí hlubokého učení a ultrazvukových snímků. V porovnání,počítačově podporovaná diagnostika(CAD) studie na MRI ledvin a studie na transplantovaných ledvinách. Khalifa et al.10 navrhli rámec, který odhaduje rejekci transplantovaných ledvin pomocí metody zobrazování pomocí dynamického kontrastu a magnetické rezonance (DCE-MRI) v časové řadě. Při této metodě jsou snímky získané pomocí časové řady DCE-MRI zarovnány a renální oblast je extrahována pomocí metody level-set. Zarovnání je poté opraveno a kortex je vypočítán a analyzován na základě jasu z extrahované renální oblasti. Shehata et al.11 navrhli metodu pro odhad rejekce transplantovaných ledvin pomocí hlubokého učení. Metoda DCE-MRI vyžaduje kontrastní látku a nelze ji aplikovat dovnitřpřípady CKD. Kromě toho je obtížné extrahovat kůru na základě jasu u poškozených ledvin.

V této studii jsme se pokusili vyřešit výše uvedené problémy a vyvinout komplexní metodu hodnocení pro MRI ledvin, kterou lze použít jako klinický test. Využitím úzkého vztahu mezi renální morfologií a renální funkcí byly vodní obrazy použité v Dixonově metodě pro hodnocení vnitřní struktury ledviny použity k hodnocení cíle a správné označení bylo eGFR, což je index ledvin funkce. Dixonovy techniky spoléhají na rozdíl v rezonanční frekvenci mezi tukem a vodou, a proto se získávají pouze tukové, vodní, ve fázi a mimofázové snímky.12 V ledvinách, kde jsou obrazy bohaté na vodu orgánový parenchym je obklopen tukem, Dixon nebo podobné tukem potlačené obrazy jasně odlišují renální parenchym od okolní struktury. Navrhujeme metodu extrahování oblasti ledvin ze snímků magnetické rezonance pomocí U-sítě, převedení extrahované oblasti ledvin na nerigidní tělo v cílové masce a poté analýzu této oblasti na základěTLCOcílové masky.

Obr. 1 Navrhovaný CAD systém pro odhad sklonu glomerulární filtrace z MRI pomocí Dixonovy metody.

2 Materiál a metody

Navržený automatizovaný rámec je znázorněn na obr. 1. Navrhovaný rámec využívá následující čtyři kroky ke zpracování MRI Dixonovy metody:

1. Segmentace oblasti ledvin od okolních břišních struktur pomocí U-sítě.

2. Odstranění hluku trojrozměrným (3D) značením. 3. Nerigidní registrace oblasti ledvin a cílové masky. 4. Výpočet TLCO. 5. Odhad funkce ledvin (eGFR) pomocí regresního podpůrného vektorového stroje (SVM).

V tomto článku je navrhovanou metodou automatická metoda TLCO (A-TLCO), která kompenzuje slabé stránky dříve uváděné metody TLCO a automatizuje proces měření. Podrobnosti metody jsou popsány níže, aby se navrhovaná metoda odlišila od konvenční manuální metody TLCO.

2.1 Oblast ledvin

Je segmentováno z okolních abdominálních struktur pomocí U-net Water Snímky Dixonovy metody použité v této studii mají jasnou oblast ledvin. Kromě toho tato část popisuje hrubou extrakci oblasti ledvin. Proto jsme se rozhodli použít U-net, o kterém je známo, že poskytuje dobré výsledky pro plošnou extrakci lékařských snímků.13 Byly použity koronální řezy vodních snímků Dixon. Na jeden předmět je tři až šest řezaných obrázků a velikost obrázku je 320 × 320. Použili jsme 1201 obrázků ze 174 případů. Všechny snímky byly vytvořeny specialistou jako snímek segmentace ledvin. Obrázek 2 ukazuje U-síť použitou pro extrakci oblasti ledvin. Síť rozlišuje mezi třemi třídami: ledvina, hranice ledvin a jiná tkáň. Existuje však nevyvážená distribuce vzorků ve třídě hranic ledvin ve srovnání s ostatními třídami tkání. Použili jsme váženou ztrátu křížové entropie, abychom kompenzovali tuto nerovnováhu a dosáhli přesnějšího učení při trénování sítě. Použili jsme softmax s váženou ztrátou křížové entropie pro síťový výstup a skutečné porovnání štítků.

Obr. 2 Architektura U-sítě použitá pro extrakci oblasti ledvin v této studii.

Obr. 3 Výsledky extrakce oblasti ledvin pomocí U-net: (a) originál, (b) maska ​​a (c) výsledek.

Minimalizace nákladů v 50 epochách byla provedena pomocí optimalizátoru odhadu adaptivního momentu s rychlostí učení 0,0001. Trénovací doba pro tuto síť byla ~ 1 h na pracovní stanici s NVIDIA TITAN RTX GPU × 2. Celkem 1201 snímků bylo rozděleno do 600 a 601 snímků a byla provedena klasifikace pro extrakci oblasti ledvin. U všech subjektů byl poté proveden experiment s odhadem funkce ledvin. Obrázek 3 ukazuje výsledky extrakce získané pomocí U-net. Obrázek 3(a) je vstupní obrázek a obrázek 3(b) je obrázek učitele. Obrázek 3(c) ukazuje výsledek extrakce. Lze potvrdit, že existuje málo falešně pozitivních výsledků a že lze extrahovat oblast blízko oblasti ledvin.

2.2 Falešná detekce

Odstranění pomocí 3D značení Přestože oblast ledvin detekovaná pomocí U-net byla vysoce přesná, došlo k falešné detekci. Falešně pozitivní výsledky jsou extrahovány pro jiné orgány než ledviny, jak je znázorněno na obr. 4(b). To může být způsobeno tím, že když je U-net trénován s 64 × 64 záplatami, dochází ke ztrátě prostorové informace větší než je velikost záplaty. Ke zlepšení tohoto problému jsou zvažovány metody zahrnující detekci umístění ledviny pomocí objektové detekce, jako je Faster R-CNN14 nebo YOLOv3,15, a použití sémantické segmentace v úzké oblasti. V této studii je však hranice ledvin pomocí U-sítě dobře rozlišena a existuje jen málo falešně pozitivních výsledků pro ostatní orgány, takže není potřeba tento proces komplikovat. Proto jsme se rozhodli provést 3D značení pro každý subjekt a vyloučit jiné oblasti než ty s velkou plochou. Zpracované výsledky jsou zobrazeny na obr. 4. Obrázky 4(a)–4(c) ukazují výsledky extrakce pomocí U-net. Lze potvrdit, že falešně pozitivní výsledky se vyskytují v jiných oblastech než v oblasti ledvin. Obrázky 4(d)–4(f) ukazují výsledky 3D označování a vyloučení oblastí s 3D oblastí 2500 pixelů nebo méně. Tento postup byl aplikován na všech 1201 snímků a bylo potvrzeno, že se nevyskytly žádné případy náhodného poškození ledvinové oblasti.

Obr. 4 Oblast ledvin získaná pomocí U-sítě: (a) řez 1, (b) řez 2 a (c) řez 3. Výsledek eliminace šumové oblasti 3D značením: (d) řez 1, (e) Obr. plátek 2 a (f) plátek 3.

2.3 Nerigidní registrace oblasti ledvin a cílové masky

Účinnou metodou pro odhad funkce ledvin je analýza struktury ledviny při současném anatomickém zvážení ledviny.5,16 Specialista však vyžaduje čas a úsilí, aby ručně extrahoval oblast ledvin. Navíc ruční měření povedou k různým výsledkům v závislosti na specialistovi. Proto navrhujeme metodu, pomocí které lze automaticky identifikovat polohy kůry a dřeně všech snímků registrací všech renálních oblastí extrahovaných U-sítí do jedné cílové masky. Registrační metoda se provádí ve dvou krocích pomocí funkce MATLABu. Prvním krokem je afinní transformace založená na jasu. Registrační metoda založená na jasu vypočítá podobnost mezi dvěma obrazy, zopakuje afinní transformaci tak, aby podobnost byla vysoká, a odhadne geometrickou transformaci (translace/rotace/zmenšení/smyk) s nejvyšší podobností. Výsledky zpracování jsou znázorněny na obr. 5. Obrázek 5(a) je původní snímek. Obrázek 5(b) ukazuje výsledky extrakce oblasti ledvin pomocí U-netu. Obrázek 5(c) je cílová maska. Obrázek 5(c) je renální oblast normálního renálního obrazu extrahovaného specialistou. Typický pacient má dvě ledviny. V této studii analyzujeme ledvinu s větší plochou. Na obr. 5(b) je levá ledvina větší. Jako taková je extrahována levá ledvina a registrována s cílovou maskou. Obrázek 5(d) ukazuje pseudobarevný obraz cílové masky a počáteční polohu extrahované ledviny. Pseudobarevný obrázek ukazuje cílovou masku zeleně, extrahovanou ledvinu purpurově a překrývající se pixely obou bíle. Výsledek afinní transformace je znázorněn na obr. 5(e). Dále je tvar jemně upraven registrací pomocí pole posunutí založeného na jasu.9,10 V tomto článku je registrace provedena pomocí pole posunutí založeném na Thirionově démonském algoritmu.1,2 Výsledek úpravy obrázku zobrazeného v Obr. 5(e) využívající pole posunutí je znázorněn na obr. 5(f). Jemný tvar byl upraven tak, aby se přiblížil cílové masce. Obrázek 5(g) ukazuje konečnou registraci obrazu.

Obr. 5 Výsledek rigidní transformace: (a) původní snímek, (b) výsledek pomocí U-sítě, (c) cílová maska, (d) počáteční poloha, (e) afinní transformace, (f) pole posunutí a (g) Obr. ) výsledek registrace.

2.4 Výpočet TLCO

V této studii je pro analýzu renálních funkcí použita metoda TLCO. Metoda TLCO specifikuje vnitřní (dřeňová strana) a vnější (kortikální strana) hranice renálního parenchymu a rozděluje renální oblast do 12 vrstev zvenčí dovnitř. Metoda vrstvení není v článku TLCO vysvětlena.8 Proto jsme v této studii vypočítali TLCO pomocí převodu geodetické vzdálenosti.17 Když převod geodetické vzdálenosti zadá binární obraz oblasti ledvin a obrázek semene, je obraz převedený na vzdálenost generované na základě obrázku semena. Obrázek 6(a) ukazuje binární obraz oblasti ledvin extrahovaný specialistou. Obrázek 6(b) ukazuje obrázek semen vytvořený specialistou. Obrázek 6(c) ukazuje pseudobarevný obraz převodu geodetické vzdálenosti. Obraz zobrazený na obr. 6(c) však nebyl získán rozdělením oblasti ledvin do 12 vrstev. Proto byl výsledek přepočtu geodetických vzdáleností normalizován do 12 vrstev. Konkrétně byl počet vrstev vydělen maximální hodnotou a poté vynásoben 12. Pseudobarevný obraz pro převod normalizované geodetické vzdálenosti je znázorněn na obr. 6(d). Cílová maska ​​je velmi důležitá, protože přímo ovlivňuje výpočet metody TLCO. V této studii jsme se rozhodli použít dva typy snímků, normální snímek ledviny vybraný specialistou a snímek ledviny s největší oblastí. Protože metoda TLCO rozděluje ledvinu do 12 vrstev, výpočet s malou atrofovanou ledvinou je obtížný. Snímek ledvin s malou plochou proto nelze použít jako cílovou masku. Obrázek 7 ukazuje výsledky aplikace metody TLCO na MRI snímky pacientů. Obrázek 7(a) je normální snímek vybraný specialistou. Obrázek 7(b) ukazuje výsledky specializované extrakce oblasti ledvin z obrázku 7(a). Obrázek 7(c) je pseudobarevný obraz rozdělený do 12 vrstev metodou TLCO. Obrázek 7(d) je snímek ledviny s největší plochou. Obrázek 7(e) ukazuje výsledek specializované extrakce oblasti ledvin z obrázku 7(d). Obrázek 7(d) je pseudobarevný obraz rozdělený do 12 vrstev metodou TLCO.

2.5 eGFR použitý k odhadu

Renální funkce pomocí RSVM V metodě TLCO jsme použili 12 měření, jedno pro každou vrstvu, abychom odhadli kortikomedulární gradient intenzity MR signálu na základě následujících definic: kortikální

Supporting Service Of Wecistanche-Největší vývozce cistanche v Číně:

E-mail:wallence.suen@wecistanche.com

Whatsapp/Tel:+86 15292862950

Nakupujte pro další specifikace Podrobnosti:

https://www.xjcistanche.com/cistanche-shop